扫描以形成观察向量。在嵌入式，中，图像以二维方式进行扫描，每个观察块保留了水平和垂直方向上的行列索引。等采用基于二阶特定块观察值的进行人脸识别，将整个人脸分成许多方块，每块的观察值由阶特征向量和二阶特征向量组成，这些阶或二阶特征向量用方法投影得到，实验表明，这种方法比二阶本征脸方法基于变换的方法以及采用置信度因子的二阶本征脸方法性能更优越。作为的扩展，嵌入式贝叶斯网络大大降低了结构的复杂性。等提出了种低复杂度的二维结构，通过使用以及的人脸库进行实验表明，它能以较少的计算量获得较高的人脸识别性能。维隐马尔可夫模型介绍及缺陷隐马尔可夫模型的定义个隐马尔可夫模型是个五元组其中,状态的有限集合,,观察值的有限集合，转移概率，输出概率，初始状态分布令为给定的参数令,,为观察值序列。隐马尔可夫模型的三个基本问题评估问题对于给定模型，求个观察值序列的概率解码问题对于给定模型和观察值序列，求可能性最大的状态序列学习问题对于给定的个观察值序列，调整参数，使得观察值出现的概率最大。隐马尔可夫模型的基本算法的基本算法有算法，前向后向算法和算法。维的隐马尔可夫缺陷从维的结构可以看出其擅长维的信号处理，所以其在语音领域取得了很大的突破。但是在图像处理和识别方面，由于图像是个二维信号，虽然可以像求特征脸的方法那样把它展开成维数据，但是这种方法有两个缺陷展开的维数据已经丢失了空间信息，在此基础上考虑这些数据的上下文关系意义不大。以像素为单位展开的维数据，在后期的计算中运算量非常大，不适合实时应用。图是人脸的维建立。图人脸的维建立下颌眼睛鼻子嘴巴前额由于隐马尔可模型方法的诸多优点，使方法被不断的改进，并和其他方法结合使用在人脸识别中。本文深入研究了基于的人脸识别方法，进步改进了经典的参数重估算法，特别是将人工神经网络，简记技术与相结合，从而扩充和加强了基于人脸识别的识别性能。因此，本文采用嵌入式隐模型结合神经网络的方法进行人脸识别。嵌入式隐模型结合神经网络的方法嵌入式隐模型基本理论定义描述了个伪维，每个由个主状态构成，每个主状态又包含了个维的，相当于组维嵌入到另外组，所以叫做嵌入式，也可以叫做伪二维因为两个超状态内部的状态之间没有状态转移，所以不是真正的。是由组超状态和组嵌入式子状态链组成，超状态描述二维数据垂直方向的特征，嵌入子状态链描述水平方向数据特征。其结构如图所示。图人脸的嵌入式隐模型应用嵌入式隐模型解决实际问题需要解决以下的三个问题给定模型参数和观察向量序列，如何计算概率，即观察向量序列与模型吻合的概率，这是个评估问题，决定出在多个模型中选择与观察向量序列最佳匹配的模型。给定模型参数和观察向量序列，如何选择最佳状态序列来解释观察向量序列，即揭开模型的隐含部分，在优化准则下找到最优状态序列。给定观察向量序列,如何调整模型参数，使概率最大，即模型参数估计问题。双重嵌套的算法最佳状态链的确定双重嵌套的算法，就是计算给定个观察向量序列以及个模型，寻找个最优状态序列，使得,的概率取最大值。双重嵌套的算法可以叙述如下定义为出现第行观察向量序列时沿条路径，且，产生出的最大概率，即,用来跟踪的最优超状态序列，在计算时，需要先计算超状态中出现概率,，可以由水平方向子的算法求得。因其需要在水平方向和垂直方向进行两次算法，故称之为双重嵌套的算法。本文采用的嵌入式隐模型结合神经网络方法的具体实现本文根据人脸的五官特征顺序，采用简化的来描述人脸，模型的起始状态从第个超状态开始，终结于最后个超状态，超状态之间的转移关系按照从上向下在相邻的两个超状态之间进行。根据参考文献，取个超状态，子序列状态数取共个子状态。按照人脸图像的状态数，采用双重嵌套的算法对人脸图像进行分割，也就是通过递归算法把每个观察向量标记到具体的超状态和子状态之间。观察向量的形成首先把人脸图像划分为图像块，形成图像块序列，然后取每个像块内像素点的灰度值或其变换系数组成个观察向量，从而形成观察向量序列。本算法中图像块采用遍历方法进行采样，就是在人脸图像平面上用个像素点数为采样窗，从左到右，从上向下滑动，相邻窗口在垂直方向和水平方向分别有行列重叠。在算法实现过程中，为了降低观察向量的维数，减少计算量，观察向量由图像块的二维系数构成。采样窗大小的选择本文取和作为衡量采样窗口大小的标准。设,和,分别为原始图像和重建图像，则和分别定义如下式中分别为图像的高度和宽度，是灰度图像的灰度级。根据取不同的采样图像块重建后的图像与原始图像的和的比较得出，采样图像块取时，重建误差达到最优。因此，本文的采样图像块取。图像块的系数项的选择系统取为为，取每个采样图像块的个系数组成观察向量。嵌入式隐模型的训练和识别如何训练参数以获得个较好的模型是理论和应用研究的重要问题之。模型训练的目的就是利用组训练样本确定经过优化了的参数。由于同对象不同视点的脸像包含的面部特征信息量不同，其在模型构建中的贡献也应该有所不同。比如相对于侧视图，正面脸像所包含的人脸结构特征信息就更全面。另外，人脸识别经常遇到的是小样本问题，每个对象通常只有几个训练样本，如何充分地利用有限个样本的信息训练出鲁棒性尽可能好的模型是非常重要的。经典的训练算法在模型参数重估过程中，对不同样本未加区分，在最终的模型参数合并时，对不同的样本给予相同的权值。因此，提出了种多样本加权合成的训练算法，用多个分别表示个对象训练样本中的不同脸像。每次重估参数，都用每个脸像获取相应的参数，然后进行加权合并，对不同的样本，根据其自身所包含信息量的不同，通过迭代公式赋予不同的权值，训练结束后，用个合成的表示个对象。训练过程为预处理工作，包括几何尺寸归化处理，灰度均衡等，形成训练图像。构造观察向量序列。设定的超状态数和每个超状态中嵌入子的状态数。本文超状态取，子状态序列取共个子状态。根据模型中超状态数从上向下把图像均匀分成块，与超状态序列相对应。然后根据每个超状态内嵌入的子的状态数从左到右均匀分割图像为块，分别与子状态相对应。根据状态数和图像均匀分割后得到的观察向量，初始化参数。通过重嵌套的算法，对图像进行重新分割。用算法重估模型参数。训练过程流程图图模型训练流程在人脸识别时，首先由待识别人脸图像构造观察向量序列，然后计算每个训练模型产生该序列的最大似然值，具有最大似然值的模型即为待识别脸像所属对象。图人脸识别流程图混合识别网络训练通常所用的算法是基于最大似然准则，因此的类间区分能力比较差。与相比，人工神经网络，特别是多层感知器，由于训练算法的特点基于模式识别的训练方式而具有较强的模式识别能力，因此将训练后的似然值序列作为人脸图片的特征值，采用神经网络作为分类器。混合识别网络是由组和个神经网络组成，每个表示个对象。的输出似然值序列经过归化处理后作为神经网络的输入矢量，通过神经网络对的输出似然值序列作进步分类。图混合识别网络神经网络采用层前馈网络，神经网络输入层数目为人脸样本数，而输出层数目为人脸类别数，隐层节点的数目根据经验公式确定。经验公式其中，隐层节点数，输入节点数，输出结点数。混合识别网络中，首先对大小不同的人脸图像，进行归化处理，利用每个对象的训练样本建立该对象的参数模型，然后利用训练样本或测试样本训练混合识别网络。参数训练结束后，计算每个对象的每个训练样本与该对象的匹配似然值，这样每个对象都得到组匹配值模式，这些匹配模式包含了参数模型识别相对应对象的正确匹配信息和误匹配信息，以匹配值模式作为的输入模式，训练就可以记忆这些正确和的信息。实际计算中，为了避免计算出的似然值太小，般采用对求出的似然值取对数来表示匹配似然值，因此得到匹配值模式是组较小的负的对数值。训练示意图如图所示。图混合识别网络训练，测试流程系统中主要用到的函数是人脸数据的类，包括数据库的读写等操作。是计算类，有关的计算全在这里面。是开发类，主要实现的功能是打开摄相头并把帧图像传递给中的指针。是创建个人有关数据的类，个人名字，图像等数据。是个人的图像相关的类。他们之间的关系基本上我们的操作从中的可以进行。后三个类主要在和中。在与中。基于主成分分析法与欧式距离的方法主成分分析,方法现在已经成为人脸识别基准算法之。方法实现简单，它将维空间的图像数据变成了维的投影系数，由于，因此，